Ana içeriğe atla

Kurs

Python ile NLP için Özellik Mühendisliği

İleri SeviyeBeceri Seviyesi

Güncel 11.2024

Metinden yararlı bilgileri çıkarmak ve bunları makine öğrenimi için uygun bir biçime dönüştürmek için teknikler öğrenin.

Kursa Ücretsiz Başlayın

PythonMachine Learning4 sa15 video52 Egzersiz4,200 XP28,942Başarı Belgesi

Ücretsiz Hesabınızı Oluşturun

veya

Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.

Binlerce şirketten öğrencinin sevgisini kazandı

2 veya daha fazla kişiyi mi eğitiyorsunuz?

DataCamp for Business ürününü deneyin

Kurs Açıklaması

Bu kursta, metinden yararlı bilgiler çıkarmayı ve bunları ML modelleri uygulamaya uygun bir formata dönüştürmeyi sağlayacak teknikleri öğreneceksin. Daha spesifik olarak, POS etiketleme, adlandırılmış varlık tanıma, okunabilirlik puanları, n-gram ve tf-idf modelleri ile bunların scikit-learn ve spaCy kullanılarak nasıl uygulanacağını öğreneceksin. Ayrıca iki belgenin birbirine ne kadar benzer olduğunu hesaplamayı da öğreneceksin. Bu süreçte film yorumlarının duygusunu tahmin edecek ve film ile Ted Talk öneri sistemleri kuracaksın. Kursun sonunda, herhangi bir metinden kritik özellikler çıkarabilecek ve veri biliminin en zorlu problemlerinden bazılarını çözebileceksin!

Önkoşullar

Introduction to Natural Language Processing in Python Supervised Learning with scikit-learn

1

Basic features and readability scores

Learn to compute basic features such as number of words, number of characters, average word length and number of special characters (such as Twitter hashtags and mentions). You will also learn to compute readability scores and determine the amount of education required to comprehend a piece of text.

Introduction to NLP feature engineering

Data format for ML algorithms

One-hot encoding

Basic feature extraction

Character count of Russian tweets

Word count of TED talks

Hashtags and mentions in Russian tweets

Readability tests

Readability of 'The Myth of Sisyphus'

Readability of various publications

Bölümü Başlat

2

Text preprocessing, POS tagging and NER

In this chapter, you will learn about tokenization and lemmatization. You will then learn how to perform text cleaning, part-of-speech tagging, and named entity recognition using the spaCy library. Upon mastering these concepts, you will proceed to make the Gettysburg address machine-friendly, analyze noun usage in fake news, and identify people mentioned in a TechCrunch article.

Tokenization and Lemmatization

Identifying lemmas

Tokenizing the Gettysburg Address

Lemmatizing the Gettysburg address

Text cleaning

Cleaning a blog post

Cleaning TED talks in a dataframe

Part-of-speech tagging

POS tagging in Lord of the Flies

Counting nouns in a piece of text

Noun usage in fake news

Named entity recognition

Named entities in a sentence

Identifying people mentioned in a news article

Bölümü Başlat

3

N-Gram models

Learn about n-gram modeling and use it to perform sentiment analysis on movie reviews.

Building a bag of words model

Word vectors with a given vocabulary

BoW model for movie taglines

Analyzing dimensionality and preprocessing

Mapping feature indices with feature names

Building a BoW Naive Bayes classifier

BoW vectors for movie reviews

Predicting the sentiment of a movie review

Building n-gram models

n-gram models for movie tag lines

Higher order n-grams for sentiment analysis

Comparing performance of n-gram models

Bölümü Başlat

4

TF-IDF and similarity scores

Learn how to compute tf-idf weights and the cosine similarity score between two vectors. You will use these concepts to build a movie and a TED Talk recommender. Finally, you will also learn about word embeddings and using word vector representations, you will compute similarities between various Pink Floyd songs.

Building tf-idf document vectors

tf-idf weight of commonly occurring words

tf-idf vectors for TED talks

Cosine similarity

Range of cosine scores

Computing dot product

Cosine similarity matrix of a corpus

Building a plot line based recommender

Comparing linear_kernel and cosine_similarity

Plot recommendation engine

The recommender function

TED talk recommender

Beyond n-grams: word embeddings

Generating word vectors

Computing similarity of Pink Floyd songs

Congratulations!

Bölümü Başlat

Python ile NLP için Özellik Mühendisliği

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi Kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve Python ile NLP için Özellik Mühendisliği eğitimine başlayın!

Ücretsiz Hesabınızı Oluşturun

veya

Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.